基于表示学习的社交网络谣言信息源发现技术研究

发布时间：2023-05-11 02:13

　　大数据时代,海量的信息在社交媒体上广泛传播,其中虚假信息泛滥。以往的研究主要集中在谣言信息的检测和传播等,但是随着社交媒体的规模和数量的迅猛发展,社交媒体上的数据成指数增长。面对信息内容的复杂多样和数量的高速增长,针对单条信息的检测有时难以解决源头问题。而快速高效地发现的谣言信息源成为解决该问题的一种有效手段。在本文的研究中,主要应用网络表示学习的方法协助我们解决社交媒体谣言信息源的发现问题。首先提出了一个多层的属性网络的表示学习方法,用来解决单一平台上谣言信息源的发现问题,该方法考虑到了信息源的网络拓扑结构和文本信息,能够学习到具有更丰富信息的表示向量。然后针对跨平台的谣言信息源发现问题,提出了一个基于注意机制的表示学习方法,该方法可以利用不同平台相似信息的协同作用,有效地提高跨平台谣言源发现的效果。最后我们针对相似谣言源发现任务提出一个有效框架,可以根据不同的任务选择相应的表示学习方法,然后将学习到的表示向量输入到合适的判别模型中,用于相似谣言源的发现。真实数据集上的实验验证了方法的有效性,具有重要的应用价值。

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究背景和意义
        1.1.1 谣言检测背景和意义
        1.1.2 网络表示学习的背景
    1.2 国内外研究现状
        1.2.1 谣言及谣言源检测
        1.2.2 网络表示学习
    1.3 研究目标及内容
    1.4 论文组织结构
第二章 基于多层属性网络表示学习方法的谣言信息源发现
    2.1 准备知识
        2.1.1 网络表示学习基础
        2.1.2 基于元路径的网络节点相似性计算
        2.1.3 基于Sentence2Vec文本相似性计算
    2.2 高质量谣言信息源发现的问题定义
    2.3 多层的属性网络表示学习
        2.3.1 网络拓扑结构
        2.3.2 网络节点属性信息
        2.3.3 综合模型
    2.4 实验介绍
        2.4.1 数据介绍
        2.4.2 对比算法
        2.4.3 评价指标
        2.4.4 实验结果
    2.5 本章总结
第三章 基于注意力机制表示学习方法的谣言信息源发现
    3.1 准备知识
        3.1.1 注意力模型介绍
        3.1.2 半监督学习
    3.2 问题陈述
    3.3 模型介绍
    3.4 实验介绍
        3.4.1 实验准备
        3.4.2 对比算法
        3.4.3 实验结果
    3.5 本章总结
第四章 相似谣言信息源发现框架
    4.1 准备知识
        4.1.1 KNN算法
        4.1.2 不平衡学习的方法
    4.2 相似信息源发现
        4.2.1 问题陈述
        4.2.2 解决方案
    4.3 实验准备
        4.3.1 实验设置
        4.3.2 对比算法
        4.3.3 评价指标
    4.4 实验结果
        4.4.1 单平台相似信息源发现结果
        4.4.2 跨平台相似信息源发现结果
    4.5 本章总结
第五章 总结与展望
    5.1 本文总结
    5.2 后续研究展望
参考文献
致谢
攻读学位期间发表的学术论文目录



本文编号：3813950